[发明专利]基于LSTM和序列到点翻译模型非侵入式负荷监测方法

说明书

本发明公开了一种基于LSTM和序列到点翻译模型非侵入式负荷监测方法，利用滑动总功率数据序列来映射目标设备在功率数据窗口中点的功耗。首先使用功率嵌入层对负荷序列的输入过程进行优化，将离散的负荷总功率序列通过功率嵌入矩阵映射到高维紧密向量空间；其次采用基于滑动窗口的事件探测算法，提取激活负荷样本作为序列到点模型的输入数据；利用卷积神经网络自动提取输入负荷总功率的负荷特征，引入长短期记忆网络挖掘序列中点前后相关度最高的信息完成负荷辨识。本发明在有效减少网络训练时间和参数的前提下，有效检测了目标设备的开关状态，显著提升了负荷分解准确性。

技术领域

本发明涉及用户侧负荷监测技术领域，具体涉及一种基于LSTM和序列到点翻译模型非侵入式负荷监测方法。

背景技术

智能电网采用细化的电力数据来表征用户用电行为，非侵入式负荷监测(NILM)可以有效地将单个电器的负荷从整体能耗中剥离出来，有利于充分挖掘负荷潜力。非侵入式负荷监测是一种用于智能电网的创新技术，可以提供家庭或建筑个体用电的详细信息，用户可根据分项能源数据对用电行为进行管理，详细的能源信息将支持需求侧管理和家庭能源消费管理。电力负荷监测是对电能进行分项统计的前提，在不改变现有电路结构的情况下，通过在智能电表入口处安装NILM装置便可以获取用户侧能源消费数据。

目前实现非侵入式负荷分解的主要方法分为组合优化和模式识别两类。其中，基于组合优化算法的NILM通过尝试将观察到的功率测量值与(设备特征库中)设备功率信号的可能组合进行匹配,以减少匹配误差作为优化策略。在NILM中主流方法是隐马尔可夫模型(HMM)，该类模型适合于序列数据，并且在有监督的场景中表现良好。随着深度学习技术的流行，不同结构的深度学习网络得到日益关注。Kelly等人描述了三种不同的神经网络架构：递归神经网络(RNN)、去噪自编码器(DAE)和卷积回归器，利用非线性回归的深度神经网络从聚合功率序列估计单个家用电器的功耗，该方法是深度学习在NILM领域初次尝试，在负荷功耗预测方面效果显著。

上述研究推动了NILM领域向多元化的方向发展，但是也存在其局限性，具体如下：

(1)HMM模型需要处理的状态数量及运算量随着设备数量及各设备的状态数目的增加呈指数级扩张，增加了模型分解算法的复杂度；(2)基于机器学习的模型大多依靠人工提取负荷特征，模型本身不具自主学习负荷特征的能力；(3)缺乏对模型状态辨识和功率分解泛化能力的考虑；(4)基于深度神经网络对于功率连续可变类型设备及多设备同时运行场景还不能做到有效监测，并且对数据集依赖较大。

针对上述问题，构建了完全由数据驱动的模型，设计了一种基于LSTM和序列到点翻译模型非侵入式负荷监测方法。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供一种基于LSTM和序列到点翻译模型非侵入式负荷监测方法，采用滑动总功率数据序列来映射目标设备在功率数据窗口中点的功耗，利用卷积神经网络自动提取输入负荷总功率的局部负荷特征，引入长短期记忆网络挖掘序列中点前后相关度最高的信息完成负荷辨识，从而解决之前研究中存在的问题。

2.技术方案：

一种基于LSTM和序列到点翻译模型非侵入式负荷监测方法，其特征在于：包括以下步骤：

步骤一：获取电力入口处安装的智能电表采集用户所有用电设备负荷功率的历史数据，对历史数据进行预处理得到总负荷序列。

步骤二：对步骤一生成的总负荷序列进行信息粒化处理，并将粒化处理后的总负荷序列代入功率嵌入矩阵映射到高维紧密向量空间；

步骤三：基于滑动窗口的事件探测算法对步骤二得到的高维紧密向量空间进行探测，记下负荷类别作为负荷样本标签。